MobileNet是一种专为移动端和嵌入式设备设计的轻量级卷积神经网络，通过DepthwiseSeparableConvolution（深度可分卷积）大幅减少运算量和参数。DW卷积降低计算复杂度，PW卷积调整通道数。网络引入超参数α和β以灵活控制模型大小和精度。MobileNet相比VGG16在准确率仅轻微下降0.9%，但模型参数减少至1/32。尽管存在卷积核参数浪费的问题，但其在资源受限的环境中表现出色。
MobileNet网络，专注于移动端或者嵌入式设备中的轻量级CNN网络。相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。(相比VGG16准确率减少了0.9%，但模型参数只有VGG的1/32)。
网络优点：
Depthwise Convolution结构（大大减少了运算量和参数量），即DW卷积
增加超参数 α和β
传统卷积和DW卷积的不同：
此图摘自：7.1 MobileNet网络详解_哔哩哔哩_bilibili
如果想改变/自定义输出特征矩阵的channel，那只需要在DW卷积后接上一个PW卷积即可，如下图所示，其实PW卷积就是普通的卷积而已（只不过卷积核大小为1）。通常DW卷积和PW卷积是放在一起使用的，一起叫做Depthwise Separable Convolution（深度可分卷积）。
此图摘自：7.1 MobileNet网络详解_哔哩哔哩_bilibili
在我们mobilenet网络中DW卷积都是是使用3x3大小的卷积核。所以理论上普通卷积计算量是DW+PW卷积的8到9倍。
α参数是一个倍率因子，用来调整卷积核的个数，β是控制输入网络的图像尺寸参数
缺点：depthwise部分得到卷积核会废掉，即卷积核参数大部分为0
参考：
扫一扫
4319
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
